数据解析-正则表达式与xpath

本文通过一个例子带领大家了解爬虫数据解析中的正则表达式与xpath这两种解析方法。

一.基本介绍

正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可以用来检查一个串是否含有某种子串、将匹配的子串替换或者从某个串中取出符合某个条件的子串等。
xpath是在XML文档中搜索内容的一门语言。
关于python中正则表达式和xpath的用法，本文就不详细展开，有兴趣的同学可以点赞评论私信我，感兴趣的人多我就会把正则表达式和xpath写出来。

二.例子介绍

本文以爬取虎牙直播视频为例介绍这两种方法。
受害网址：https://v.huya.com/g/all?set_id=67&order=hot&page=1
通过分析，可以发现页面中的视频地址链接就存在页面源代码里，为得到视频链接就需要进行数据解析。

1.正则表达式

爬虫中常用的正则表达式的就是贪心算法，python写为（.?）
导入re库，定义提取规则，即r’

• import requests
  import re
  
  url = 'https://v.huya.com/g/all?set_id=67&order=hot&page=1'
  headers = {
  'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.52',
  'referer': 'https://v.huya.com/g/'
  }
  resp = requests.get(url,headers=headers)
  obj = re.compile(r'
  ,re.S)
  url_list = obj.findall(resp.text)
  # print(name_list)
  

  2.xpath

  xpath我们需要知道它的基本用法，会用即可，本文介绍一个简单的办法。
  在元素中找到需要的东西，把鼠标放在对应行，点击右键，选择复制->复制Xpath
  将下图蓝箭头所指行的xpath，内容为//[@id=“root”]/div/article/section/ul[2]，因为我们要提取的是下一层所有li标签里的a标签里的href属性，所以用 (任意的节点)表示提取ul和a标签中的所有内容，接上/a/@href提取a标签的href属性，即视频地址链接。
  提取视频名字信息同理。

  import requests
  from lxml import etree
  
  url = 'https://v.huya.com/g/all?set_id=67&order=hot&page=1'
  headers = {
  'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36 Edg/107.0.1418.52',
  'referer': 'https://v.huya.com/g/'
  }
  resp = requests.get(url,headers=headers)
  tree = etree.HTML(resp.text)
  url_list = tree.xpath('//*[@id="root"]/div/article/section/ul[2]/*/a/@href')
  name_list = tree.xpath('//*[@id="root"]/div/article/section/ul[2]/*/a/@title')
  
  for i in range(len(url_list)):
      url = 'http:'+url_list[i]
      print(url)
  

  3.运行结果

  

  三.总结

  本文用例子介绍了正则表达式和xpath两种数据解析方法，此外还有Beautifulsoup这一方法。本文的例子只是得到了视频的地址，后续会为大家带来虎牙视频的爬取下载，喜欢的话记得点赞关注哟！谢谢大家。欢迎大家在评论区讨论学习。